本发明专利技术公开了一种基于自适应路径聚合网络的变电站智能运维方法,涉及目标检测技术领域,用于实现变电站运维多目标检测,该方法包括:主干网络用于从变电站运维目标检测图像中提取不同尺度的各级特征图,在颈部网络中,自适应路径聚合金字塔网络融合主干网络提取的多尺度特征,包括用于缓解直接融合不同尺度特征所带来的语义信息冲突的通道注意力融合模块,以及分配额外的特征层级得出最优的实例梯度反向传播路径的跨层级路径聚合模块,头部网络采用解耦头对所述自适应路径聚合金字塔网络融合的所述多尺度特征进行预测,该方法能够提高网络对尺度的鲁棒性,在应对大规模尺度变化中起着关键作用
【技术实现步骤摘要】
一种基于自适应路径聚合网络的变电站智能运维方法
[0001]本专利技术涉及电网运维目标检测
,具体涉及一种基于自适应路径聚合网络的变电站智能运维方法
。
技术介绍
[0002]电网运维是保证电网安全
、
可靠
、
经济
、
高效运行至关重要的环节,传统的人工巡检方式,不仅劳动强度大,而且检测质量严重依赖巡视人员素质,经常出现“漏巡”、“延巡”、“不会巡”等巡视不到位现象,检测数据也无法准确及时地接入管理信息系统,在高压和一些恶劣天气条件下,人工巡检还存在很大的安全隐患,极易导致事故发生
。
随着电网规模的不断扩大,电网巡检任务繁重与运维人员紧张的矛盾日益突出,发展替代人工巡检的智能运维技术已迫在眉睫
。
[0003]近些年,受惠于计算能力
、
存储能力的不断提升,深度学习技术蓬勃发展,在图像分割
、
图像融合
、
图像分类
、
目标识别
、
物体检测等领域取得巨大的成功,受这些工作的启发,研究者们开始探索应用深度学习技术解决变电站运维目标检测问题,包括将深度学习已经被应用于识别和定位断路器和绝缘子
、
绝缘子的故障分析
、
变电站仪表盘关键点的检测
、
隔离开关的状态识别
、
断路器开关的状态识别等
。
例如,文献”A Segmentation
‑
Based Multitask Learning Approach for Isolating Switch State Recognition in High
‑
Speed Railway Traction Substation
″
(X.Lu et al.
,
in IEEE Transactions on Intelligent Transportation Systems
,
vol.23
,
no.9
,
pp.15922
‑
15939
,
Sept.2022
,
doi
:
10.1109/TITS.2022.3146338.)
针对隔离开关精确定位和状态识别的问题,提出了一种名为
ISSSR
‑
Net
的自动隔离开关分割和状态识别框架,该框架采用多任务学习,分为两个阶段:首先,提出了一种隔离开关分割网络,用于精确隔离开关像素级分割
。
其次,为了提高状态识别精度,将
ISR
‑
Net
提取的分割图和共享骨干网提取的特征图共同馈入
ISR
‑
Net
隔离开关识别网络
。
此外,在
ISR
‑
Net
中集成了全局上下文块,进一步提高状态识别的精度
。
[0004]但是,上述方法是针对单一目标的检测,缺少针对变电站运维检测的多目标检测方法
。
此外,在变电站运维检测中,异物鸟巢
、
开关闭合等小目标和未穿工装
、
箱门闭合异常等大目标之间存在较大的尺度差异
。
因此,目前亟需一种能够自适应识别变电站多维目标检测的智能运维方法,更好地解决变电站运维中目标种类多
、
尺度差异大的问题
。
技术实现思路
[0005]本专利技术的目的在于提供一种基于自适应路径聚合网络的变电站智能运维方法,以解决现有技术中缺少针对变电站运维检测中多目标检测的问题
。
[0006]为解决上述技术问题,本专利技术具体提供下述技术方案:
[0007]一种基于自适应路径聚合网络的变电站智能运维方法,用于实现变电站运维多目标检测,其特征在于,
[0008]步骤
(1)
,主干网络,用于从变电站运维目标检测图像中提取不同尺度的各级特征
图;
[0009]步骤
(2)
,颈部网络中,自适应路径聚合金字塔网络融合所述主干网络提取的多尺度特征的方式为:将所述主干网络提取的各级特征图输入至所述自适应路径聚合金字塔网络,所述自适应路径聚合金字塔网络自顶向底传递用于分类的高级语义信息,所述自适应路径聚合金字塔网络自底向顶传递用于回归的细节信息,所述自适应路径聚合金字塔网络通过自适应融合不同层级的参数,以缓解语义冲突并提取特征;
[0010]所述自适应路径聚合金字塔网络包括:通道注意力融合模块和跨层级路径聚合模块,所述通道注意力融合模块用于缓解直接融合不同尺度特征所带来的语义信息冲突,所述跨层级路径聚合模块通过分配额外的特征层级得出最优的实例梯度反向传播路径;
[0011]步骤
(3)
,头部网络采用解耦头对所述自适应路径聚合金字塔网络融合的所述多尺度特征进行预测
。
[0012]进一步的,步骤
(1)
中,所述主干网络使用基于
CNN
的
CSPDarkNet
和
Swin Transformer
‑
Tiny
作为主干网络
。
[0013]进一步的,步骤
(2)
中,在所述自适应路径聚合金字塔网络中,通过使用不同的所述主干网络从所述输入图像中提取不同尺度的各级特征图,并且每一级特征图的通道数量依次增加为上一级的2倍
。
[0014]进一步的,步骤
(2)
中,所述通道注意力融合模块包括:复杂特征融合模块,用于过滤冲突信息和冗余信息以缓解直接融合带来的语义冲突;所述复杂特征融合模块由通道拼接和通道净化组成,所述通道拼接能够在不损失信息量的情况下获得融合后的特征,所述通道净化用于生成通道维度上的自适应权重
。
[0015]进一步的,所述跨层级路径聚合模块包括:特征路径聚合模块,通过对所述复杂特征融合模块输出的所述融合后的特征进行挤压
、
缩放
、
整合
、
激活,以实现改变方向传播路径
。
[0016]进一步的,所述特征路径聚合模块对所述复杂特征融合模块输出的所述融合后的特征进行挤压
、
缩放
、
整合
、
激活的具体方式为:挤压:输入所述融合后的特征中分别由底层
、
中间层
、
顶层产生的第一特征,将三个级别的所述第一特征统一到相同的通道数得到相应的第二特征并压缩;缩放:将所述第二特征中的所有特征调整到相同的分辨率;整合:在多尺度特征融合时为每个输入增加一个额外的权重,并采用权重归一化来限制每个权重的范围值,得到整合本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于自适应路径聚合网络的变电站智能运维方法,用于实现变电站运维多目标检测,其特征在于,步骤
(1)
,主干网络用于从变电站运维目标检测图像中提取不同尺度的各级特征图;步骤
(2)
,颈部网络中,自适应路径聚合金字塔网络融合所述主干网络提取的多尺度特征的方式为:将所述主干网络提取的各级特征图输入至所述自适应路径聚合金字塔网络,所述自适应路径聚合金字塔网络自顶向底传递用于分类的高级语义信息,所述自适应路径聚合金字塔网络自底向顶传递用于回归的细节信息,所述自适应路径聚合金字塔网络通过自适应融合不同层级的参数,以缓解语义冲突并提取特征;所述自适应路径聚合金字塔网络包括:通道注意力融合模块和跨层级路径聚合模块,所述通道注意力融合模块用于缓解直接融合不同尺度特征所带来的语义信息冲突,所述跨层级路径聚合模块通过分配额外的特征层级得出最优的实例梯度反向传播路径;步骤
(3)
,头部网络采用解耦头对所述自适应路径聚合金字塔网络融合的所述多尺度特征进行预测
。2.
根据权利要求1所述的一种基于自适应路径聚合网络的变电站智能运维方法,其特征在于,所述步骤
(1)
中,主干网络使用基于
CNN
的
CSPDarkNet
和
Swin Transformer
‑
Tiny
作为主干网络
。3.
根据权利要求1所述的一种基于自适应路径聚合网络的变电站智能运维方法,其特征在于,所述步骤
(2)
中,在所述自适应路径聚合金字塔网络中,通过使用不同的所述主干网络从所述输入图像中提取不同尺度的各级特征图,并且每一级特征图的通道数量依次增加为上一级的2倍
。4.
根据权利要求1所述的一种基于自适应路径聚合网络的变电站智能运维方法,其特征在于,所述步骤
(2)
中,所述通道注意...
【专利技术属性】
技术研发人员:朱新山,钱统玉,李斌,李亚霖,侯春羽,张澜,
申请(专利权)人:天津大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。